Pretoria,
Kemajuan dalam pengembangan kecerdasan buatan (AI) di Afrika menghadapi tantangan signifikan akibat perbedaan bahasa yang sangat banyak dan keterbatasan data teks. Model bahasa besar seperti ChatGPT dan Gemini memiliki cakupan terbatas di benua ini karena pelatihan model tersebut memerlukan jumlah data teks yang besar. Dalam hal ini, Afrika mengalami kesenjangan yang luar biasa.
Sebagai contoh, bahasa Inggris memiliki lebih dari 7 juta artikel di Wikipedia, sementara Tigrinya—yang digunakan oleh sekitar 9 juta orang di Ethiopia dan Eritrea—hanya memiliki 335 artikel. Bahkan untuk Akan, salah satu bahasa asli yang paling banyak digunakan di Ghana, tidak ada artikel Wikipedia sama sekali. Vukosi Marivate, profesor ilmu komputer di Universitas Pretoria, menyebutkan bahwa ini menunjukkan kesenjangan data yang sangat besar.
Dari estimasi 1.500 hingga 3.000 bahasa yang ada di Afrika, hanya 42 bahasa yang saat ini memiliki model bahasa. Dari 23 aksara dan alfabet Afrika, hanya tiga yang tersedia, yaitu Latin, Arab, dan Ge’Ez yang digunakan di Tanduk Afrika. Hal ini menciptakan risiko marjinalisasi bahasa-bahasa lokal jika tidak segera diatasi.
Chinasa T Okolo, pendiri Technecultura, lembaga penelitian yang berupaya memajukan kesetaraan global dalam AI, menjelaskan bahwa keterbelakangan ini berasal dari sudut pandang finansial. Meskipun jumlah penutur bahasa Swahili lebih banyak daripada penutur bahasa Finlandia, Finlandia dianggap sebagai pasar yang lebih baik bagi perusahaan teknologi seperti Apple dan Google.
Okolo menyoroti bahwa jika kesenjangan data ini tidak segera diatasi, dampak negatif akan terjadi di seluruh benua. “Kita akan terus melihat orang-orang terpinggirkan dari kesempatan,” ujar Okolo. Jika model bahasa untuk bahasa-bahasa lokal tidak dikembangkan, masyarakat yang tidak berbicara salah satu dari 42 bahasa yang didukung berisiko tertinggal.
Upaya mengembangkan bahasa di AI Afrika
Untuk menghindari marjinalisasi ini, Okolo menekankan pentingnya para pengembang AI di Afrika untuk membayangkan kembali cara pengembangan model sejak awal. Salah satu proyek yang sedang berjalan adalah African Next Voices, yang dipimpin oleh Marivate. Proyek ini fokus pada perekaman suara untuk 18 bahasa di Afrika Selatan, Kenya, dan Nigeria.
Selama dua tahun, tim berhasil mengumpulkan total 9.000 jam rekaman dari orang-orang dengan beragam usia dan lokasi. Kumpulan data ini akan tersedia bagi pengembang AI di seluruh benua untuk melatih model. Dalam proses pengumpulan data, peneliti sering memberikan naskah kepada penutur asli untuk dibaca atau memberikan petunjuk dan merekam tanggapan lisan yang kemudian ditranskripsikan.
Uniknya, untuk bahasa Isindebele—yang dituturkan di Afrika Selatan dan Zimbabwe—para pengembang kesulitan menemukan sumber tertulis. Akhirnya, mereka menggunakan buku panduan pemerintah untuk penggembala kambing guna membantu menyusun petunjuk lisan mereka.
Meski African Next Voices belum mengumpulkan data yang cukup untuk melatih LLM raksasa seperti ChatGPT, Marivate menjelaskan bahwa fokus utama mereka adalah pada topik-topik spesifik seperti kesehatan dan pertanian. Nyalleng Moorosi, peneliti di Distributed AI Research Institute (DAIR), menjelaskan bahwa menggunakan kumpulan data kecil untuk membuat model umum akan menghasilkan tingkat kesalahan yang tinggi. Namun, kumpulan data kecil dan terfokus dapat sangat akurat dalam lingkup terbatas untuk model khusus.
Moorosi menekankan bahwa ini adalah masalah memprioritaskan kesalahan. Ia memberi contoh, “Jika seseorang hanya ingin mengetahui apa yang terjadi di pusat Kota Nairobi, saya dapat menolerir kesalahan di sana.” Namun, kesalahan dalam model yang membahas topik sensitif seperti perbankan atau perawatan kesehatan dapat memiliki konsekuensi serius.
Kurangnya data bukan satu-satunya tantangan. Marivate menyebutkan bahwa sebagian besar bahasa Afrika tidak dikodifikasi melalui kamus atau studi tata bahasa. Dalam bahasa Kinyarwanda, misalnya, terdapat tiga cara umum untuk mengeja nama negara tersebut, yaitu uRwanda, Urwanda, dan u Rwanda. Tanpa aturan ejaan yang jelas, bahkan pemrosesan teks paling dasar pun menjadi sulit.
Selain itu, kurangnya pusat data juga menjadi hambatan. Uni Afrika pada 2024 memperingatkan bahwa hanya 10 persen dari permintaan pusat data di benua itu yang terpenuhi. Marivate khawatir bahwa jika model tidak dibuat untuk bahasa-bahasa yang lebih kecil ini, bahasa-bahasa tersebut akan lenyap.
Proyek African Next Voices telah menyelesaikan pengumpulan dan transkripsi datanya. Meskipun saat ini belum mengerjakan bahasa pemrograman baru, Marivate mengungkapkan bahwa tim sudah memikirkan bahasa mana yang akan menjadi langkah selanjutnya.
